狩野モデル(Kano Model)
1. 概要
A. 定義
狩野モデル(Kano Model)とは、製品・サービスの品質属性を「その属性を充足(提供)したときの機能水準(物理的充足度)」と「それによる顧客満足度」という二つの軸の非線形関係で分析し、各属性を魅力的・一元的・当たり前・無関心・逆品質の五つのカテゴリに分類することで、「どの要求が満足を引き上げ、どの要求が不満を防ぐか」を区別する品質分類・優先順位付け技法である。
狩野モデルは、1984年に日本の狩野紀昭教授が発表した「魅力的品質と当たり前品質(Attractive quality and must-be quality)」論文で提示された。その核心的洞察は「品質と満足は比例しない」ということである。伝統的な品質観は、機能を多く・よく提供するほど顧客満足が線形に増加すると仮定したが、現実には、どれだけよく提供しても当たり前とみなされて満足がほとんど上がらない属性(例:スマートフォンの通話接続)と、わずかに提供しただけで感動を与える属性(例:予期せぬ利便機能)が共存する。狩野は、この充足度-満足度関係の形そのものが属性ごとに異なるという点を2次元グラフで体系化した。
狩野モデルの性質は四つに要約される。第一に、満足(satisfaction)と不満(dissatisfaction)を別個の次元として捉える——不満をなくしても満足が生まれるわけではない(ハーズバーグの動機づけ-衛生理論と軌を一にする)。第二に、品質属性を「あればよいもの」と「なければならないもの」として非対称に扱う。第三に、分類結果は要求事項の優先順位付けの根拠となり、限られた開発資源を配分する意思決定を支援する。第四に、属性のカテゴリは固定ではなく時間・顧客層に応じて移動する(動的特性)。この四つの性質が、狩野モデルを単なる調査ツールではなく製品戦略策定の分析枠組みにする。
B. 登場背景と必要性
1970~80年代の日本製造業の品質運動は、「不良を減らせば品質がよくなり、品質がよくなれば顧客が満足する」という線形仮定の上に立っていた。しかし、欠陥率を極限まで下げた後でも顧客満足がそれ以上上がらない満足の停滞現象が観察された。不良ゼロは「不満がない状態」を作るだけで、「感動」を作ることはできなかったからである。企業は「品質をさらに高めたのに、なぜ市場の反応は横ばいなのか」という問いに答えねばならず、狩野モデルは「どの品質を高めれば満足が実際に上がるのか」を区別してくれるツールとして登場した。
ソフトウェア・ITサービス領域では、この必要性はさらに大きくなった。要求事項は常に資源・日程より多く、すべての機能を同等に実装することはできない。「顧客が望むと言ったこと」をそのまま全部入れると、満足に寄与しない無関心機能に資源を浪費し、必ずあるべき当たり前機能を取りこぼせば致命的な不満を招く。したがって[[requirements-engineering]]において、要求を収集した後「この要求が満足にどのように寄与するか」で分類・優先順位付けする段階が必須となり、狩野モデルはMoSCoW・AHPのような優先順位技法とともにその中核的手段として定着した。
この必要性は、公共・企業情報システム構築においても同様に現れる。情報化事業はしばしばユーザー要求を数百件収集するが、すべてを同一の比重で反映すると、予算・日程を超過してなお体感満足は低い「機能は多いが有用性は曖昧な」システムになりやすい。狩野モデルはこのとき、「必ず守るべき当たり前要求(例:法定処理期限の遵守、データ整合性)」と「満足を引き上げる魅力要求(例:知能型オートコンプリート、先制的通知)」を分離し、限られた予算を「失敗しないための投資」と「際立つための投資」に分ける根拠を提供する。これは要求の優先順位付けを主観的合意ではなくデータ駆動の意思決定へ転換する。
なぜ「言われた要求をそのまま実装」してはならないのかを理解すると、狩野の価値が明確になる。顧客は当たり前品質を当たり前であるがゆえに口に出さず(要求仕様から漏れやすい)、魅力的品質は想像できないがゆえに要求できない(ゆえに調査の「欲しい機能」に現れない)。すなわち顧客の明示的な陳述だけを追えば、当たり前品質を取りこぼし魅力的品質を発掘できないという二重の罠に陥る。狩野調査は、直接問いにくいこの二つのカテゴリを間接的な質問対で明らかにするという点で、単純な選好調査とは根本的に異なる。
C. 特徴
狩野モデルの最大の特徴は、満足-不満の非対称性を定量的・視覚的に捉える点である。当たり前品質は充足しても満足が0にとどまるが未充足時には満足が急落し、魅力的品質は未充足でも不満がないが充足時には満足が急騰する。この非対称曲線は、「防御(不満の遮断)に充てる資源と攻撃(差別化)に充てる資源を異なる形で配分すべきである」という戦略的含意を直接提供する。
第二の特徴は、間接的な質問対(機能形+逆機能形)で属性を分類するという設計である。回答者に「この機能があればどうか」と「この機能がなければどうか」を対で問い、二つの答えの組み合わせからカテゴリを推論する。これは回答者が自ら「これは当たり前です」と言いにくい心理を回避し、陳述と実際の反応との隔たりを埋める。この点で狩野モデルは、[[requirements-specification]]が見落としやすい暗黙的(implicit)な要求を体系的に水面上へ引き上げる補完技法として機能する。
第三の特徴は、分類がそのまま資源配分戦略に直結するという実務志向性である。他の要求分析技法が「何が重要か」の順位だけを出すのに対し、狩野は「この要求を充足/未充足すると満足がどの方向へどれだけ動くか」という因果的な形を与えるため、防御(不満の遮断)・競争(性能優位)・攻撃(差別化)という異なる投資目的に属性を直接マッピングできる。品質を「多いか少ないか」の1次元ではなく「種類の異なる複数の曲線」として見るこの視点転換が、狩野モデルの本質的な貢献である。
2. 品質要素の五つのカテゴリと満足-充足曲線
狩野モデルの骨格は、横軸を「属性の物理的充足度(機能をどれだけよく提供したか)」、縦軸を「顧客満足度」とした2次元平面の上に、属性ごとに異なる形の曲線を描くことである。曲線の形がすなわちカテゴリであり、下の概念図は五つのカテゴリの曲線と満足/不満領域の配置を示す。
flowchart TB
subgraph PLANE["狩野2次元平面 (横:充足度, 縦:満足度)"]
A["魅力的品質 (Attractive)<br/>未充足でも不満なし → 充足時に満足急騰"]
O["一元的品質 (One-dimensional)<br/>充足度に比例して満足が線形増加"]
M["当たり前品質 (Must-be)<br/>充足しても満足0 → 未充足時に不満急落"]
I["無関心品質 (Indifferent)<br/>充足の有無が満足と無関係"]
R["逆品質 (Reverse)<br/>提供するほどかえって不満増加"]
end
A --> DIFF["差別化・感動 (攻撃資源)"]
O --> COMP["競争力指標 (性能競争)"]
M --> BASE["参入資格・不満防御 (守備資源)"]
I --> WASTE["過投資リスク (資源節約)"]
R --> REMOVE["除去・オプション化の対象"]
A. 当たり前品質(Must-be, M). 顧客が「当然あるべき」と前提する基本属性である。充足しても満足は中立(0)にとどまるが、少しでも不十分だと満足が急激に落ちる。たとえるなら参入資格(entry ticket)である——あっても称賛されないが、なければ脱落する。銀行アプリの「正確な残高表示」、自動車の「制動装置」、クラウドサービスの「データ無損失」が典型である。当たり前品質は顧客が言及しないため要求収集から漏れやすく、一つでも崩れれば他のすべての魅力要素を圧倒して全体評価を台無しにする。したがって当たり前品質は「完全な充足」が目標であり、過剰投資の対象ではない(一定水準を超えると満足がそれ以上上がらないため)。
B. 一元的品質(One-dimensional, O). 充足度が高いほど満足度が線形に比例して上がり、未充足時には線形に不満が大きくなる属性である。しばしば性能品質(performance quality)と呼ばれ、顧客が明示的に要求し競合他社と直接比較する領域である。スマートフォンのバッテリー持続時間、Webサービスの応答速度、ストレージ装置の容量/価格比がその例である。一元的品質は「多いほどよい」が成り立つため競争の主戦場となり、ここでの優位はそのまま市場シェアへつながる。ただし、すべての競合が同一軸で競争すると限界効用の逓減と出血競争に陥りやすく、戦略的には魅力的品質への軸転換も併せて模索すべきである。
C. 魅力的品質(Attractive, A). なくても不満はないが、あれば期待以上の感動を与える属性である。顧客が思いもよらなかったがゆえに要求もしなかった領域であり、差別化と革新の源泉である。初期iPhoneのマルチタッチ、テスラのOTAアップデート、2023~2024年に生産性ツールに結合された生成AIアシスタントがその例である。魅力的品質は未充足に伴う処罰がないため、「入れなくても損はないが、入れれば決定的優位」という非対称な収益構造を持つ。技術士の観点では、魅力的品質の発掘は調査だけでは限界があり、エスノグラフィ的観察・潜在ニーズ分析・プロトタイピングのような探索的手法と併行すべきである。
D. 無関心・逆品質(Indifferent I, Reverse R). 無関心品質はあってもなくても満足に影響がない属性で、ここに資源を使えば純粋な浪費である。逆品質は提供するほどかえって不満が大きくなる属性で、過度な通知・強制会員登録・不要な複雑機能がその例である。この二つの識別は「何を入れるか」と同じく「何を外すかオプション化するか」を決めるのに重要であり、機能過剰(feature creep)による[[technical-debt]]と保守コストを減らす根拠となる。加えて、調査で回答が矛盾すれば疑わしい(Questionable, Q)カテゴリに分類し、回答の信頼性を点検する。
五つのカテゴリを一枚の図で読むコツは、曲線が原点を通るか、どの象限にかかるかを見ることである。一元的品質は原点を通る右上がりの直線であり、当たり前品質は左下(未充足・不満)にのみ急な傾きを持ち右側(充足)では平らになる。魅力的品質は逆に左側で平らでありながら右上(充足・満足)で急騰する。無関心品質は水平線、逆品質は右下がりの直線である。このように「曲線の形=戦略的意味」へ翻訳する訓練ができていれば、調査なしでも新規機能を設計段階でどのカテゴリに狙うか仮説を立て、調査でその仮説を検証する効率的な循環が可能になる。
| カテゴリ | 充足時 | 未充足時 | 戦略的役割 | 資源配分 |
|---|---|---|---|---|
| 当たり前(M) | 満足0(中立) | 不満急落 | 参入資格・不満防御 | 完全充足までのみ |
| 一元的(O) | 満足線形↑ | 不満線形↓ | 性能競争力 | 競争水準+α |
| 魅力的(A) | 満足急騰 | 不満なし | 差別化・感動 | 選択的集中投資 |
| 無関心(I) | 影響なし | 影響なし | なし | 投資回避 |
| 逆(R) | 不満増加 | (該当なし) | 除去・オプション化 | 負(-)の投資 |
3. 狩野調査・分析プロセス
狩野分類は直感ではなく構造化された調査と集計で行われる。核心は、各属性について機能形質問(その機能があればどうか)と逆機能形質問(その機能がなければどうか)を対で問い、二つの回答の組み合わせを評価表に当てはめてカテゴリを判定することである。下の流れは属性定義から優先順位導出までの典型的な手順である。
flowchart LR
DEF["1. 評価対象属性の定義"] --> Q["2. 機能形/逆機能形の質問対設計 (5点尺度)"]
Q --> SURVEY["3. 調査収集 (目標顧客層)"]
SURVEY --> TABLE["4. 狩野評価表で回答対を分類 (A/O/M/I/R/Q)"]
TABLE --> MODE["5. 属性ごとの最頻カテゴリ決定"]
MODE --> CS["6. Better/Worse係数の算出"]
CS --> PRI["7. 優先順位付け・ロードマップ反映"]
PRI -.フィードバック.-> DEF
機能形/逆機能形の質問対と尺度. 各質問は通常5点尺度で「① 気に入る ② 当然である ③ 何とも思わない ④ やむを得ず我慢する ⑤ 気に入らない」と回答する。たとえば「アプリがダークモードを支援するなら?」(機能形)と「アプリがダークモードを支援しないなら?」(逆機能形)を対で問う。この質問対は回答者に肯定・否定の両方向の反応をすべて引き出し、片方だけ問うたときには現れない非対称を捉える。質問設計時に機能を過度に誘導的に記述すると魅力的に過大分類されるため、中立的・具体的な表現が重要である。
狩野評価表(分類マトリクス). 二つの回答を5×5の格子に当てはめると、各回答対が一つのカテゴリに写像される。下の表は標準評価表の中核部分で、機能形(行)・逆機能形(列)の組み合わせがカテゴリを決める。
| 機能形\逆機能形 | 好き | 当然 | 中立 | 我慢 | 嫌い |
|---|---|---|---|---|---|
| 好き | Q | A | A | A | O |
| 当然 | R | I | I | I | M |
| 中立 | R | I | I | I | M |
| 我慢 | R | I | I | I | M |
| 嫌い | R | R | R | R | Q |
たとえばある属性に「機能形=好き、逆機能形=嫌い」と答えれば、表の(好き、嫌い)のマスが指す一元的(O)に分類される。あればよく、なければ嫌だということは、「充足度に比例して満足が変わる」という一元的品質の定義と正確に合致する。一方、「機能形=好き、逆機能形=当然」であれば魅力的(A)——あれば嬉しいが、なくても当然として受け入れる非対称な反応である。全回答者を集計して属性ごとの最頻カテゴリをその属性の分類とするが、カテゴリ間で回答が分散すれば顧客セグメントごとにカテゴリが異なる可能性を疑う。
調査設計・標本の実務上の留意点. 狩野調査は質問対が増えるほど回答者の疲労が急増するため、一つの調査で扱う属性は通常1530個以内に制限し、重要な候補を事前選別する。標本はカテゴリごとに有意な比率を取れるだけ確保するが(実務上セグメントごとに数十数百)、セグメントが混ざらないよう回答者属性(習熟度・使用頻度・料金プラン)を併せて収集し、交差分析に備える。また「機能があればどうか」を過度に魅力的に記述すると回答がAに偏るフレーミングバイアスが生じるため質問文を中立化し、回答の一貫性を確認するために一部の属性には故意に再質問を混ぜてQ(疑わしい)の比率をモニタリングする。分析結果は最頻値(mode)だけでなくカテゴリ分布全体とBetter/Worse係数を併行提示し、「最頻カテゴリ一つで一括りに解釈する」誤りを防がねばならない。
Better/Worse係数(顧客満足係数). 最頻カテゴリだけでは属性間の軽重を比較しにくいため、Timkoが提案した二つの係数を併用する。Better(満足増加指数) = (A+O) / (A+O+M+I)はその機能を提供したときに満足が上がる潜在力を、Worse(不満誘発指数) = -(O+M) / (A+O+M+I)は未提供時に不満が大きくなるリスクを表す(各記号は該当カテゴリで回答した比率)。たとえば100人のうちA=40、O=30、M=20、I=10であれば、Better=(40+30)/100=0.70、Worse=-(30+20)/100=-0.50である。Betterが大きければ差別化投資の候補、Worseの絶対値が大きければ必ず守るべき防御線であり、二つの係数を2次元地図に載せると属性ごとの投資戦略が一目で明らかになる。
このBetter-Worse地図は四つの領域で読まれる。Better・|Worse|がともに高ければ一元的性格が強く「競争の核心軸」なので継続投資すべきであり、Betterだけが高ければ魅力的属性で「差別化の機会」ゆえ選別集中する。|Worse|だけが高ければ当たり前属性で「必ず守る基本線」であり、両方が低ければ無関心属性で「投資回避」の対象である。このように二つの係数はカテゴリという質的分類を連続的な座標に変え、同じカテゴリの中でも優先順位を付けられるようにし、ロードマップの四半期ごとの投資比重を数字で裏づける。ただし係数は標本・設問に敏感なため信頼区間とともに報告し、絶対基準ではなく相対比較のツールとして扱う節度が必要である。
4. 比較と適用事例
伝統的品質観・満足度調査との比較. 単純な満足度調査は「この機能にどれだけ満足か」を一方向でのみ問い、当たり前品質(すでに充足され満足が中立)と無関心品質(もともと影響なし)を区別できない。どちらも「満足度普通」として現れるからである。狩野モデルは逆機能形質問を加えて「なければ不満が噴き出すか(M)」と「なくても構わないか(I)」を分離する。この違いは資源配分に直結する——前者は必ず守るべき防御線であり、後者は大胆に外す対象だからである。すなわち狩野の付加価値は、「充足された状態の見かけの満足度が同じでも、その属性の戦略的意味はまったく異なる」を明らかにする点にある。
これに加え、狩野モデルがハーズバーグの動機づけ-衛生理論と概念的に似ている点も比較として押さえる価値がある。衛生要因(なければ不満、あっても満足につながらない)が当たり前品質に、動機づけ要因(あれば満足を引き上げる)が魅力的品質に対応する。両理論はともに「満足と不満は同じ軸の両端ではなく異なる軸」という洞察を共有する。この類似は、狩野モデルが単なる調査技法ではなく、人間の満足心理に関する一般理論の上に立つことを示し、ゆえに製品だけでなく社内システム・組織サービスのユーザー体験設計にも幅広く転移する。
IPA・QFDとの関係. 重要度-成果分析(IPA, Importance-Performance Analysis)は属性の重要度と現状の成果を平面に配置して改善の優先順位を探すが、「重要度」を回答者の直接評価に依存する。ところが魅力的品質は回答者が重要だと「言わない」ために、IPAで過小評価されやすい。狩野モデルをIPAの前段に置いて魅力的要素を先に識別すれば、この盲点を補える。また品質機能展開([[requirements-engineering]]と連携するQFD)の品質の家(HoQ)で、顧客要求の重みを狩野カテゴリで調整(当たり前・魅力要素への重み補正)すれば、顧客の声を設計特性へ翻訳する精度が高まる。
最後に、AHP・加重スコア法との相互補完も実務で重要である。狩野が「属性がどの種類の満足に寄与するか」(質的性格)を明らかにするなら、[[requirements-engineering]]で併用されるAHPは「属性間の相対的重要度」(量的重み)を一対比較で算出する。二つの技法を結合すれば、まず狩野で当たり前・逆・無関心要素をふるい落として候補を圧縮した後、残った魅力的・一元的要素にAHPの重みを付与して開発順序を定める2段階の優先順位付けが可能になる。このように狩野は単独で完結するより、他の優先順位技法の前処理フィルタとして結合されるときに最も強力である。
具体事例. ① あるフィンテックアプリが送金機能20種について狩野調査(n=500)を回した結果、「生体認証ログイン」はM(Worse=-0.72)に分類され「なければ不信」を誘発する防御線であることが明らかになり、「AI支出分析レポート」はA(Better=0.68)で差別化の候補となった。チームは次の四半期のロードマップで、生体認証を最優先の安定化課題に、AIレポートをマーケティングの前面に押し出す革新課題に分離した。② 自動車産業で1990年代に魅力的品質であったナビゲーション・後方カメラは2020年代に一元的・当たり前品質へ移動し、未搭載車が中古価格で逆品質に近い減点を受けるようになった。③ あるSaaS企業が無関心(I)に分類された多数の高度設定機能を既定のUIから隠し「高度モード」オプションに回したところ、新規ユーザーのオンボーディング完了率が有意に上昇した(逆・無関心品質除去の効果)。④ ある公共の苦情ポータルが狩野調査で「24時間処理状況の通知」をA(Better=0.61)に、「多様な画面テーマ選択」をIに分類し、限られた予算を通知の高度化に集中してテーマ機能を後回しにした結果、再訪率と苦情処理満足度がともに改善した。これらの事例に共通するのは、「入れるもの」と「外すもの」をデータで分ければ、同じ予算でも体感満足が大きく変わるという点である。
5. 深化 — 動的狩野とデータ駆動分析の進化
狩野モデルの最も重要な深化テーマは動的特性(dynamic Kano)である。品質属性のカテゴリは固定ではなく、時間が経つにつれて魅力的 → 一元的 → 当たり前の方向へ退化(陳腐化)する。最初は感動を与えた革新が競合他社の模倣で一般化すると性能競争の軸(一元的)へ下り、さらに「当然あるべきもの」(当たり前)になる。スマートフォンのカメラが初期の魅力要素から今日の当たり前要素へ移動したのが代表的である。この動力学は「今日の差別化は明日の基本」を意味するため、企業は魅力的品質を継続的に再発掘せねばならず、狩野調査を一度きりではなく周期的に反復してカテゴリの移動を追跡せねばならない。技術士の観点では、これは製品ロードマップと[[okr]]・ポートフォリオ管理に「差別化パイプライン」を常時維持すべきという戦略的含意を与える。
第二の進化の方向はデータ・AI駆動の狩野分析である。伝統的な調査は費用・時間が大きく標本が小さいという限界がある。最近では、アプリレビュー・ソーシャルメディア・顧客問い合わせのような大規模な非構造化テキストに[[text-opinion-mining]]と感情分析を適用し、ある機能の言及が肯定/否定感情とどのように結合するかで狩野カテゴリを自動推定する研究・実務が増えている。たとえば「なくて不便だ」という否定的文脈が強い機能は当たり前、「あって驚いた」という肯定的文脈が強い機能は魅力的と推定する具合である。これは数百万件の実利用フィードバックを常時反映する連続的な狩野モニタリングを可能にし、遅い調査周期の弱点を補う。
データ駆動分析を適用する際はバイアス補正に留意せねばならない。レビュー・問い合わせのテキストは不満を持つユーザーが過大標本化される傾向があり、当たり前品質(不満の文脈)が膨らみ魅力的品質(静かな満足)が過小評価されうる。したがってテキストベースの推定は伝統的な調査と交差検証し、肯定/否定比率の基底率を補正したうえでカテゴリへ換算するのが安全である。このように定性(調査)と定量(大規模テキスト)を三角測量すれば、各手法の標本バイアスを互いに相殺し、より頑健な分類に到達する。
第三はアジャイル・製品管理方法論との結合である。狩野カテゴリはバックログの優先順位付けに直接使われる——当たり前品質はMVP(実用最小限の製品)に必ず含め、魅力的品質は差別化スプリントに配置し、無関心・逆品質はバックログから除去するかディスカバリー段階へ戻す。一部の組織は各ユーザーストーリーに狩野タグを付けて「防御用/競争用/感動用」を区別し、これを[[data-product]]の観点の価値仮説検証(A/Bテスト)に結びつけて分類の妥当性を実データで検証する。すなわち狩野モデルは、定性的分類から定量的実験へ閉じるループの入口の役割を果たす。
この結合の実務的な利点は意思決定の言語を統一する点にある。企画・開発・マーケティングはしばしば「この機能が重要だ」を異なる根拠で主張するが、狩野カテゴリとBetter/Worse係数は「これはWorse=-0.7の防御線なので先送りすれば離脱を招く」あるいは「これはBetter=0.6の差別化なのでマーケティングメッセージの核心になる」のように、共通の定量的言語で論争を収束させる。これによりバックログの優先順位会議は、声の大きい人の直感の対決ではなく、顧客データに基づく合意の過程へ変わる。技術士の観点では、この「分類 → 係数 → 実験 → 再分類」の循環を組織の要求管理プロセスに制度化することが核心的な課題である。
6. 考慮事項および示唆点
第一に、分析範囲と手法の結合(適用戦略). 狩野モデルは「すでに思いついた属性」を分類するのには強いが、まだ想像できていない魅力要素を創出することはできない。したがって潜在ニーズを発掘する観察・エスノグラフィ・プロトタイピングを前段に置き、狩野をその結果を検証・優先順位付けする後段のツールとして配置する二重構造が望ましい。調査だけで革新を期待するのは、狩野モデルの役割を過大に解釈することである。
第二に、セグメント依存性と集計の罠(トレードオフ). 同一属性でも顧客層(初心者/専門家、価格敏感/プレミアム)に応じてカテゴリが異なりうる。全回答を単一の最頻値に集計すると、セグメント間の相反が平均に埋もれ、「誰にとっても最適でない」製品を設計するリスクがある。したがってカテゴリ回答が分散するときはセグメントごとに分離分析し、ターゲットセグメントを明示したうえで優先順位を定めるべきである。集計の利便とセグメントの精度の間の均衡が要となる。
第三に、動的追跡と再投資(展望). 魅力的品質の当たり前化は必然であるため、狩野分析は反復・常時化されてこそ意味がある。一度きりの分析で決めたロードマップはカテゴリの移動を反映できず速やかに古びる。組織は四半期・半期単位で狩野指標(カテゴリ、Better/Worse)を更新し、差別化要素のライフサイクルを管理する品質属性ポートフォリオを運用すべきである。展望としては、リアルタイムのフィードバックデータとAI推定が結合して「常時稼働する動的狩野ダッシュボード」が製品運用の標準計器盤になるであろう。
第四に、革新創出の限界とその補完(方法論の結合). 狩野調査は回答者が評価できる「すでに提示された機能」に依存するため、市場になかった新しい魅力要素を自ら作り出すことはできない。すなわち狩野は革新を検証・分類するツールであって発想するツールではない。したがってデザイン思考・リーンスタートアップの仮説設定、潜在ニーズ観察と結合して「候補アイデア」をまず生成し、狩野でその候補の満足寄与構造を測定する生成-検証の分業が望ましい。この境界を明確にすることで、「調査さえ回せば革新が出る」という過信を避けられる。
第五に、定量指標の文脈化とガバナンス(連携・運用). Better/Worse係数や最頻カテゴリは、それ自体で意思決定を自動化しない。戦略・ブランド・規制・[[quality-cost]]のような文脈と結合して解釈せねばならず、当たり前品質のうち安全・セキュリティ・規制遵守のようにWorse係数が低く出ても絶対に譲れない項目は、別途のガバナンスで保護せねばならない。狩野指標を組織の要求事項優先順位体系・リリース基準と結びつけつつ、数値の機械的な適用ではなく「なぜこのカテゴリか」の文脈的判断を維持することが、技術士水準の活用である。
総合すると、狩野モデルは「品質がすなわち満足」という単純な等式を破り、品質を目的の異なる複数の曲線の束として再定義する。技術士に求められる能力は、この分類を暗記することではなく、与えられた製品・サービス・情報システムの文脈でどの属性が防御線で、どの属性が差別化のレバーかをデータで見分け、その見分けを要求管理・ロードマップ・ガバナンスのプロセスへ制度化することである。静的分類にとどまらずカテゴリの時間的移動まで管理するとき、狩野モデルは一度きりの調査ツールを超えて、持続的な品質戦略の羅針盤となる。
参考資料
- Kano, N. et al., "Attractive Quality and Must-Be Quality" (1984), Journal of the Japanese Society for Quality Control
- Timko, M., "An Experiment in Continuous Analysis" (Kano's Methods for Understanding Customer-Defined Quality)
- Interaction Design Foundation — Kano Model 概要: https://www.interaction-design.org/literature/topics/kano-model
一言まとめ: 狩野モデルは品質属性を充足度-満足度の非線形関係で分析して当たり前・一元的・魅力的・無関心・逆品質に分類し、機能形/逆機能形の質問対とBetter/Worse係数で「不満を防ぐ防御要素と満足を引き上げる差別化要素」を区別して要求事項の優先順位付けを支援する品質分類技法である。